问题标签 [tensorflow-slim]

我有一个 tf.Variable 张量，它应该作为结果聚合器工作。

这个想法是我将使用批量数据对图执行操作，并且结果应该作为新行附加到我的结果变量中。

因为一开始变量应该是空的，所以我这样初始化它：

然后，我所做的是沿轴 0 连接新行（作为新行）：

最后，我重新分配变量：

但是，当所有这些都运行时，我收到以下错误：

你们能帮我找出我做错的明显事情吗？

谢谢！

我正在使用张量流的对象检测器 API 训练对象检测器。我正在按照此链接使用我自己的数据集训练对象检测器。在我开始（本地）培训过程之前，一切似乎都很好：

我收到以下错误：

我现在有点卡在这里，有什么解决方法吗？

我想我已经按照此链接正确安装了对象检测 API ：

我想使用 Tensorflow 提取一个苗条的 Inception v4 的特征，几个小时后试图找出问题所在，这就是我。

我收到以下错误：

当我不将代码分解为函数时，一切似乎都在工作。有人能看到我在这里做错了吗？

非常感谢！

我正在寻找实现跨多个 GPU 训练的 tf slim 代码示例。

具体来说：1）如何在多个 GPU 之间分配工作负载？2）在变量共享/范围方面我需要注意什么吗？3）我需要做些什么来从检查点恢复变量吗？

我在 Stack Overflow 和 github 上搜索了示例，但似乎找不到任何示例（只是更多问题）。但是，如果这已经在某个地方得到了回答，我深表歉意 - 如果您指出我正确的方向，我将不胜感激。

谢谢大家！

我正在尝试根据 Tensorflow 示例和这篇文章训练我自己的检测器模型。我确实成功地在 Macbook Pro 上进行了本地培训。问题是我没有 GPU 并且在 CPU 上执行它太慢（每次迭代大约 25 秒）。

这样，我尝试按照教程在 Google Cloud ML Engine 上运行，但无法使其正常运行。

我的文件夹结构如下所述：

我从本地培训更改为 Google Cloud 培训的步骤是：

1. 在谷歌云存储中创建一个存储桶，并复制我的本地文件夹结构和文件；
2. 编辑我的pipeline.config文件并将所有路径从 更改Users/dev/detector/为gcc://bucketname/;
3. 使用教程中提供的默认配置创建一个 YAML 文件；

4. 跑

   gcloud ml-engine 作业提交训练 object_detection_ date +%s\ --job-dir=gs://bucketname/models/train \ --packages dist/object_detection-0.1.tar.gz,slim/dist/slim-0.1.tar.gz \ --module-name object_detection.train \ --region us-east1 \ --config /Users/dev/detector/training/cloud.yml \ -- \ --train_dir=gs://bucketname/models/train \ - -pipeline_config_path=gs://bucketname/data/pipeline.config

这样做会给我来自 MLUnits 的以下错误消息：

副本 ps 0 以非零状态 1 退出。终止原因：错误。回溯（最后一次调用）：文件“/usr/lib/python2.7/runpy.py”，第 162 行，在 _run_module_as_main “__main__”，fname，loader，pkg_name）文件“/usr/lib/python2.7/ runpy.py”，第 72 行，在 run_globals 文件中的 _run_code 执行代码“/root/.local/lib/python2.7/site-packages/object_detection/train.py”，第 49 行，从 object_detection 导入培训师文件“/ root/.local/lib/python2.7/site-packages/object_detection/trainer.py”，第 27 行，从 object_detection.builders import preprocessor_builder 文件“/root/.local/lib/python2.7/site-packages/ object_detection/builders/preprocessor_builder.py”，第 21 行，在 from object_detection.protos import preprocessor_pb2 文件“/root/.local/lib/python2.

提前致谢。

我需要帮助来理解 TensorFlow 中的这个嵌套参数范围：

我所理解的是，外部级别的范围适用于函数

内层作用域是做什么的？

我正在尝试使用Momentum Optimizer微调 vgg_16模型。为此，我使用了这里的预训练模型。

在微调之前，我从模型中分配变量值如下，

请注意，我不排除vgg_16/*/*/Momentum变量。因此我收到一个错误，

正如预期的那样。

我的问题是在排除列表中包含所有 Momentum 变量非常麻烦（示例）。有没有更聪明的方法来排除动量变量？

这很重要，因为对于 resnet 等大型模型，手动输入排除项是不可能的。

先感谢您！

我正在使用slim.evaluation.evaluation_loop一个单独的过程来评估我训练的模型。为了获得我使用的指标更新操作streaming metrics。我的代码看起来像，

我的问题是，在使用 时streaming metrics，Tensorflow 会不断累积指标。这意味着更早的检查点准确性也被考虑在内。如果我们需要评估一个特定的检查点，这是不对的。

在这个解释的设置中，有没有办法在每个时代之后重置评估精度？

streaming_metrics或者，除了解决这个问题，还有其他度量计算方法吗？

先感谢您！

我想做的事？

1. 我只有一台机器。

2. 我想定期评估模式。

我现在有什么？

1. 使用占位符。假设我通过提供训练数据运行 1000 步训练。然后我输入验证数据集进行评估。把它放在一个循环中。

   但正如谷歌所建议的那样，占位符并不是长期训练的好方法。

2. 所以，我使用 slim 数据集来输入数据。现在，该模型与训练数据集绑定，如下所示：

   我必须构建另一个与验证数据集绑定的模型（在另一个图中）。

有没有更好的方法来做到这一点？

我还是新手，tensorflow我正试图了解在我的模型训练进行时发生的细节。简而言之，我正在使用经过预训练的slim模型对ImageNet我finetuning的数据集进行处理。以下是从 tensorboard 中提取的 2 个独立模型的一些图：

到目前为止，这两个模型在验证集上的结果都很差（平均 Az（ROC 曲线下的面积）= 0.7Model_1和 0.79 Model_2）。我对这些图的解释是，小批量的权重没有变化。只是小批量的偏差会发生变化，这可能是问题所在。但我不知道在哪里可以验证这一点。这是我能想到的唯一解释，但考虑到我仍然是新手，这可能是错误的。你能和我分享你的想法吗？如果需要，请毫不犹豫地要求更多地块。

编辑： 正如您在下面的图中看到的那样，权重似乎几乎没有随着时间的推移而变化。这适用于两个网络的所有其他权重。这使我认为某处存在问题，但不知道如何解释。

EDIT2： 这些模型首先在 ImageNet 上训练，这些图是在我的数据集上微调它们的结果。我正在使用一个包含 19 个类的数据集，其中包含大约 800000 张图像。我正在做一个多标签分类问题，我使用 sigmoid_crossentropy 作为损失函数。班级高度不平衡。在下表中，我们显示了 2 个子集（训练、验证）中每个类的存在百分比：

超参数的值：

关于层的稀疏性，以下是两个网络的层稀疏性的一些示例：

EDITED3：这是两个模型的损失图：